上采样和反卷积 Up-sampling and Transposed Convolution (Deconvolution)

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/diyoosjtu/article/details/89791528

使用反卷积（Transposed Convolution）来进行上采样操作，不需要借助插值方法，并且可以提供能够学习的参数。

反卷积在DCGAN和图像的语义分割网络中，有很重要的应用。

1. 卷积操作

我们用一个简单的例子来介绍卷积的计算过程。如下图所示，用一个3x3的卷积核对一个4x4的矩阵进行卷积操作，步长为1，不施加padding，则可以得到一个2x2的结果矩阵。

计算输入矩阵和卷积核相对应的各个元素的乘积，最后相加得到卷积结果，如下图所示：

从上图的结果可以看到，卷积之后，输入矩阵与输出矩阵存在位置上的联系（positional connectivity）。输入矩阵的左上角元素会影响输出矩阵的左上角结果。3x3卷积核将输入矩阵中的9个元素与输出矩阵中的一个元素连接起来。卷积形成了多对一的关系。

2. 卷积矩阵

我们可以把卷积过程用矩阵乘法来表示。

3x3的卷积核：
$\begin{bmatrix} 1 & 4 & 1\\ 1 & 4 & 3\\ 3 & 3 & 1 \end{bmatrix}$
可以排布成一个4x16的矩阵，如下图所示：

上图结果被称为卷积矩阵，矩阵的每一行决定了一次卷积操作。

在计算卷积的时候，需要把输入矩阵展平成一个16x1的列向量：

然后使用矩阵乘法得到卷积结果：

把乘法结果的4x1列向量reshape成2x2的矩阵，就得到了与图1一样的卷积结果：

3. 反卷积

反卷积可以看作是卷积操作的逆过程，也就是形成一对多的关系。如下图所示，我们要从一个2x2的矩阵，反推出一个4x4的矩阵：

接下来，我们介绍如何进行这样的反卷积操作。

4. 反卷积矩阵

借助于第2节介绍的卷积矩阵，可以很容易进行反卷积操作。

我们把卷积矩阵转置成一个16x4的矩阵，再与结果的4x1列向量相乘，就可以得到一个16x1的列向量，reshape之后就是一个4x4的矩阵。

把结果的16x1列向量reshape成一个4x4的矩阵，结果如下：

到此为止，我们把一个2x2的小矩阵，上采样变成了一个4x4的大矩阵。反卷积的过程形成了1对9的关系。

5. 使用卷积计算反卷积

如下图所示，使用相同的卷积核，通过卷积来计算反卷积。

这种方法非常低效，因为需要对输入矩阵大量补零，卷积过程中有大量的乘0操作。

6. 总结

1. 使用反卷积可以进行上采样
2. 反卷积具有可供学习的参数，不需要利用插值方法

参考文献

https://towardsdatascience.com/up-sampling-with-transposed-convolution-9ae4f2df52d0